II.8Инженерия данных и аналитика

unsloth/Qwen3-8B-Base-bnb-4bit — 4-битная версия базовой языковой модели Qwen3-8B-Base, подготовленная Unsloth на основе модели Qwen Team. Это причинная языковая модель на этапе предварительного обучения, предназначенная для генерации и продолжения текста, адаптации под прикладные задачи, программирования, STEM, рассуждений и работы с многоязычными данными. Модель содержит около 8,2 млрд параметров, из которых 6,95 млрд не относятся к embedding-слою, и имеет 36 слоёв. Используется Grouped-Query Attention: 32 головы запросов и 8 голов ключей и значений. Максимальная длина контекста составляет 32 768 токенов. Qwen3 обучалась на 36 трлн токенов на 119 языках, однако README не уточняет точный перечень языков и отдельно не описывает мультимодальные возможности; по указанным характеристикам это текстовая модель. 4-битное представление снижает требования к памяти и облегчает локальный запуск, сохраняя совместимость с экосистемой Transformers, но может влиять на точность по сравнению с полноразмерной версией. Это базовая, а не инструкционно настроенная модель, поэтому для диалоговых сценариев и следования сложным инструкциям может потребоваться дополнительное дообучение или специальное форматирование запросов. Для работы рекомендуется актуальная версия transformers; версии ниже 4.51.0 могут вызывать ошибку KeyError: qwen3. Лицензия — Apache-2.0.

Qwen3.8-Flash-Coder-85GB-BF16 — производная модель Jab1718 на базе Qwen/Qwen3.8-Flash-Next, предназначенная для генерации кода и задач программирования. По README, это выделенная с помощью moe-slice разреженная MoE-подсеть: сохранены 48 трансформерных слоёв и 160 экспертов на слой; веса представлены в BF16, размер чекпойнта — около 85,24 ГБ. В карточке Hugging Face указаны 5,1 млрд параметров и контекст до 262 144 токенов. Модель рассчитана на диалоговое использование для написания, отладки и изменения кода, включая агентные сценарии. README сообщает о проверках на программных задачах на нескольких языках, но эти результаты относятся к описанной авторами тестовой подборке и не гарантируют аналогичного качества в других условиях. Метаданные указывают английский, вьетнамский и китайский языки; отдельная поддержка русского не заявлена. Лицензия — Apache-2.0.

unsloth/Qwen3-Coder-30B-A3B-Instruct-1M-GGUF — GGUF-версия модели Qwen3-Coder-30B-A3B-Instruct, разработанной командой Qwen и подготовленной Unsloth. Это каузальная языковая модель для генерации текста и кода, ориентированная на агентное программирование, использование браузера и другие задачи разработки ПО, включая работу с репозиториями большого размера и интеграцию с инструментами вроде Qwen Code и CLINE. Модель построена на Mixture-of-Experts-архитектуре: содержит 30,5 млрд параметров, из которых при генерации активируется около 3,3 млрд; включает 48 слоёв, 128 экспертов и 8 активируемых экспертов, а также Grouped Query Attention с 32 головами для запросов и 4 для ключей и значений. Нативная длина контекста составляет 262 144 токена, а в данной версии заявлено расширение до 1 млн токенов с использованием YaRN. Поддерживается только режим без рассуждений: модель не генерирует блоки <think></think>. Сведения о поддерживаемых языках и точных параметрах квантования в README не указаны. К сильным сторонам относятся высокая эффективность за счёт разреженной активации экспертов, специализация на кодинге и агентных сценариях, а также поддержка сверхдлинного контекста. Ограничения включают работу только в нережиме рассуждений и потенциальную зависимость качества и требований к ресурсам от конкретной GGUF-квантизации, параметры которой не приведены. Модель распространяется по лицензии Apache 2.0.

dpankros опубликовал версию Qwen3-Coder-30B-A3B-Instruct, обработанную методом abliteration с помощью Heretic v1.1.0. Это причинная языковая модель семейства Qwen3 MoE для генерации текста и кода в диалоговом режиме; в README указаны 30,5 млрд параметров всего и 3,3 млрд активируемых, 48 слоёв и 262 144 токена контекста. Метаданные каталога указывают 2,6 млрд параметров, поэтому размер стоит считать неоднозначным. Модель предназначена для написания и анализа кода, работы с репозиториями большого размера и сценариев агентного программирования; заявлена поддержка вызова функций. Abliteration снижает частоту отказов: в карточке указано 9 отказов из 100 против 100 из 100 у исходной модели, при этом результат зависит от запросов и не гарантирует качество или поведение в каждом случае. Карточка указывает английский язык. Модель распространяется по лицензии Apache-2.0.

Qwen3-Coder-30B-A3B-Instruct-MLX-6bit — 6-битная квантизированная версия модели Qwen3-Coder-30B-A3B-Instruct, разработанной Qwen. Квантизация выполнена командой LM Studio с использованием MLX, поэтому модель оптимизирована для запуска на устройствах с Apple Silicon и предназначена для генерации текста, прежде всего в сценариях, связанных с программированием и работой с кодом. Модель основана на исходной Qwen3-Coder-30B-A3B-Instruct; её архитектура, поддерживаемые языки, модальности и размер контекста в README не уточняются. Квантизация снижает требования к памяти и делает локальный запуск более практичным, однако может повлиять на точность по сравнению с исходной версией. Также модель может генерировать неточный, вредоносный или неподходящий контент, поэтому результаты требуют проверки. Для исходной модели указана лицензия Apache 2.0. LM Studio не является создателем или владельцем модели и не гарантирует её точность, безопасность, доступность или соответствие конкретным требованиям.

Qwen3-Coder-30B-A3B-Instruct-MLX-8bit — это 8-битная квантованная версия Qwen3-Coder-30B-A3B-Instruct, разработанная Qwen и адаптированная для работы с MLX на компьютерах Apple Silicon. Квантование выполнено командой LM Studio с использованием mlx_lm; сама LM Studio не является создателем исходной модели. Модель предназначена для генерации текста и, прежде всего, задач, связанных с программированием и работой с кодом. Ключевые характеристики включают архитектуру исходной модели Qwen3-Coder-30B-A3B-Instruct, размер 30B с обозначением A3B, 8-битное квантование и оптимизацию под Apple Silicon. В README не указаны поддерживаемые языки, размер контекстного окна, полный перечень модальностей, результаты тестирования или конкретные сценарии применения. Квантование должно снизить требования к памяти и сделать локальный запуск практичнее, но может сопровождаться потерей точности по сравнению с исходной моделью; производительность также зависит от оборудования. Модель распространяется по лицензии Apache-2.0.

unsloth/Qwen3-Coder-480B-A35B-Instruct-1M-GGUF — GGUF-версия крупной инструктивной модели для генерации кода Qwen3-Coder-480B-A35B-Instruct, разработанной командой Qwen и подготовленной Unsloth. Модель предназначена для агентного программирования, использования браузера, генерации и анализа кода, работы с большими репозиториями и интеграции с инструментами вроде Qwen Code и CLINE через специально разработанный формат вызова функций. Это каузальная языковая модель на архитектуре mixture-of-experts: 480 млрд параметров всего, из которых активируется 35 млрд; 160 экспертов, 8 активных экспертов, 62 слоя и Grouped Query Attention с 96 головами Q и 8 головами KV. Поддерживается текстовая модальность, а модель работает только в режиме без рассуждений и не генерирует блоки <think></think>. Нативная длина контекста составляет 262 144 токена, а данная версия расширяет её до 1 млн токенов с использованием YaRN, что подходит для задач на уровне репозитория. К сильным сторонам относятся высокая производительность в агентном программировании и задачах работы с браузером, а также большой контекст. Ограничения включают требовательность к вычислительным ресурсам, типичную для модели такого размера, и отсутствие режима рассуждений; конкретные требования к оборудованию и показатели производительности в README не приведены. Модель распространяется по лицензии Apache-2.0.

Qwen3-Coder-480B-A35B-Instruct-MLX-8bit — это 8-битная версия модели Qwen3-Coder-480B-A35B-Instruct, разработанной Qwen. Квантование в формате MLX выполнено командой LM Studio с использованием mlx_lm и предназначено для работы на компьютерах с Apple Silicon. Модель относится к классу генеративных текстовых моделей и ориентирована прежде всего на задачи программирования и обработки текстовых запросов, включая использование в локальной среде через LM Studio. В README указано, что для работы требуется LM Studio версии 0.3.20 или новее. Архитектура исходной модели, число активируемых параметров, поддерживаемые языки и размер контекстного окна в предоставленных данных не уточняются. Ключевое преимущество варианта — 8-битное представление, оптимизированное для экосистемы Apple Silicon, что делает модель более подходящей для локального запуска с меньшими требованиями к памяти по сравнению с полноразмерной версией. Ограничения связаны с зависимостью от совместимого программного окружения и оборудования, а также с тем, что модель может генерировать неточные, вредные или неподходящие ответы. Модель распространяется по лицензии Apache-2.0.

ClaudioItaly/Qwen-Density — объединённая языковая модель на базе Qwen2.5-Coder-7B-Instruct, созданная с помощью mergekit и метода TIES. В конфигурации указаны 7,1 млрд параметров, архитектура Qwen2 для авторегрессионной генерации текста и формат safetensors с точностью bfloat16; базовая модель перечислена трижды с одинаковыми настройками слияния. Модель предназначена для генерации текста в диалоговом формате и может применяться для задач программирования, включая написание, анализ и исправление кода, унаследованные от базовой модели. Контекст составляет до 32 768 токенов. Метаданные указывают интерфейс вызова инструментов, однако README не приводит отдельной оценки качества или примеров работы именно этой сборки. Лицензия в предоставленных данных не указана.

Qwen-Qwen2.5-Coder-14B-Instruct-GGUF — набор GGUF-квантизированных вариантов модели Qwen2.5-Coder-14B-Instruct, подготовленный Featherless AI Quants. Модель предназначена для генерации текста и прежде всего для задач программирования: написания, дополнения и объяснения кода, а также работы с инструкциями в формате instruct. В README не указаны точные сведения о поддерживаемых языках, длине контекста, архитектуре исходной модели и используемых модальностях, поэтому их характеристики нельзя определить достоверно. Доступны варианты квантизации IQ4_XS, Q2_K, Q3_K_L, Q3_K_M, Q3_K_S, Q4_K_M, Q4_K_S, Q5_K_M, Q5_K_S, Q6_K и Q8_0 размером примерно от 5,5 до 15 ГБ. Разные уровни квантизации позволяют выбирать между меньшими требованиями к ресурсам и потенциальным сохранением качества исходной модели, однако README не содержит результатов сравнительных оценок. Файлы предназначены для запуска в совместимой с форматом GGUF инфраструктуре. Разработчик исходной модели — Qwen, а квантизацию выполнила команда Featherless AI Quants. Ограничения включают зависимость характеристик от выбранного варианта квантизации и отсутствие в README данных о производительности, системных требованиях, качестве на конкретных тестах и ограничениях применения. Лицензия в README не указана.

maci0/Qwopus3.6-27B-Coder-NVFP4 — это квантованная версия модели Jackrong/Qwopus3.6-27B-Coder, опубликованная в формате NVFP4. Модель предназначена для агентского программирования, генерации и анализа кода, работы с инструментами и задач, требующих рассуждений в thinking mode. Заявлена поддержка сценариев vision-language, однако подробности о возможностях обработки изображений в README не приведены. Модель имеет плотную архитектуру с 27 млрд параметров, занимает около 18 ГБ и поддерживает контекст до 256K токенов. Она рассчитана на английский и китайский языки. Квантование выполнено по схеме W4A4 с использованием GPTQ, error-compensated rounding и MSE observer; веса упакованы в формат compressed-tensors nvfp4-pack-quantized. Основной целевой стек запуска — vLLM на GPU NVIDIA Blackwell. Для набора wikitext-2 указана perplexity 6.63. К сильным сторонам относятся существенное уменьшение размера модели, ориентация на задачи программирования и совместимость с оптимизированным запуском в vLLM. Ограничения связаны с потерями, возможными при 4-битном квантовании, зависимостью от совместимого оборудования и неполным описанием мультимодальных возможностей. Лицензия — Apache-2.0.

QwQ-32B-Preview — экспериментальная модель рассуждений, разработанная командой Qwen. Это плотная авторегрессионная языковая модель семейства Qwen2, дообученная на базе Qwen/Qwen2.5-32B-Instruct; в README описана архитектура Transformer с RoPE, SwiGLU, RMSNorm и смещениями QKV в механизме внимания. Модель содержит около 32 млрд параметров и поддерживает контекст до 32 768 токенов. Модель предназначена для диалоговой генерации текста, решения математических задач и программирования. В карточке отмечены возможности чата и интерфейс вызова инструментов. Для работы используется библиотека Transformers; лицензия Apache-2.0. Модель может смешивать языки, зацикливаться в рассуждениях и выдавать длинные ответы без вывода. Она сильнее в математике и программировании, чем в здравом смысле и тонком понимании языка; при развёртывании следует учитывать указанные в карточке ограничения безопасности.

QWQCoder — объединённая языковая модель, созданная автором репозитория с помощью mergekit из Qwen/QwQ-32B-Preview и Qwen/Qwen2.5-Coder-32B-Instruct. Для слияния использован метод SLERP; модель построена на архитектуре Qwen2 с плотной причинной языковой моделью и содержит 16,4 млрд параметров. Модель предназначена для генерации текста в диалоговом формате, в том числе для задач программирования, которые поддерживает компонент Qwen2.5-Coder-Instruct. Она принимает текст и выдаёт текст; заявленная длина контекста — 32 768 токенов. Репозиторий содержит веса Safetensors и использует библиотеку Transformers. Карточка не приводит результатов оценки качества или подробных рекомендаций по применению, поэтому способности и надёжность именно этого слияния в конкретных сценариях не подтверждены. Лицензия в предоставленных данных не указана.

Replete-Coder-Llama3-8B-GGUF — это квантизированная версия модели Replete-Coder-Llama3-8B, разработанной Replete-AI и преобразованной в формат GGUF пользователем bartowski с использованием llama.cpp и imatrix-квантизации. Модель основана на архитектуре Llama 3 с 8 млрд параметров и предназначена для генерации текста и работы с программным кодом. Модель ориентирована на задачи программирования, генерации и дополнения кода, обработки инструкций, функционального вызова, математических рассуждений и общего диалогового применения. Обучение проводилось на наборах данных с примерами кода, инструкций, диалогов, математических задач и данных по поиску уязвимостей. В README указан шаблон запросов с секциями System, Instruction и Response. Поддерживается только текстовый ввод и вывод; сведения о языках, максимальной длине контекста и точных результатах тестов не приведены. Доступно несколько уровней квантизации GGUF: от Q5 до Q8, с размером файлов примерно от 5,73 до 9,52 ГБ. В README варианты Q5_K_M, Q6_K и Q6_K_L отмечены как рекомендуемые благодаря сочетанию качества и размера, а Q8 ориентированы на максимально высокое качество. Квантизация снижает требования к памяти, но может незначительно влиять на точность по сравнению с исходной моделью; числовые результаты бенчмарков отсутствуют. Использование регулируется лицензией Llama 3 от Meta, обозначенной как license_name: llama-3.

Модель ritrieve_zh_v1 разработана командой richinfoai и предназначена для получения плотных векторных представлений текстов и сравнения их смысловой близости. Это модель семейства BERT на базе Sentence Transformers, обученная методом дистилляции от lier007/xiaobu-embedding-v2, dunzhang/stella-large-zh-v3-1792d и BAAI/bge-multilingual-gemma2. После второго этапа обучения размерность эмбеддингов составляет 1792. Модель обучалась на BAAI/Infinity-Instruct и opencsg/chinese-fineweb-edu; авторы сообщают о результатах на MTEB для китайского языка. Она принимает текст и выдаёт векторы, подходит для поиска по смыслу, сопоставления предложений и построения семантического поиска. Максимальная длина контекста — 512 токенов. Лицензия — MIT.

sergeyzh/rubert-tiny-retriever — компактная модель на основе BERT, разработанная Sergey Zh. Это дообученный энкодер для получения эмбеддингов и текстового поиска: он кодирует запросы и документы в векторы, пригодные для поиска по семантическому сходству и ранжирования результатов. Модель создана дистилляцией эмбеддингов русских и английских текстов BAAI/bge-m3 в sergeyzh/rubert-tiny-turbo. Модель содержит 29 млн параметров; в README указаны 3 слоя, размер эмбеддинга 312 и контекст 512 токенов. Метаданные каталога указывают нативный контекст в 2048 токенов. Поддерживаются русский и английский языки, специальные префиксы для запросов и документов не требуются. В README приведены результаты на наборах для поиска на обоих языках: модель превосходит rubert-tiny-turbo в указанных сравнениях, но уступает более крупной bge-m3. Лицензия — MIT.

Модель muflihimaduddin/sbert-finetuned-ce — Sentence Transformer на базе sentence-transformers/all-distilroberta-v1, дообученный на 430 парах предложений с оценками сходства. Она преобразует предложения и короткие абзацы в нормализованные плотные векторы размерности 768 и вычисляет семантическое сходство с помощью косинусной близости. Архитектура включает RoBERTa, усредняющий слой pooling и нормализацию; модель принимает текст, максимальная длина последовательности — 512 токенов. Модель подходит для поиска и ранжирования текстов по смыслу, сравнения предложений и кластеризации. Примеры обучающих данных указывают на задачи, связанные с программированием, но карточка не подтверждает узкую специализацию в этой области. В метаданных не указана лицензия, поэтому условия распространения и коммерческого использования следует сверить с репозиторием базовой модели и самой карточкой.

KoonJamesZ/sentence-transformers-nina-thai-v3 — модель эмбеддингов предложений на базе XLM-RoBERTa, представленная в формате Sentence-Transformers. Она преобразует предложения и абзацы в плотные векторы размерностью 768 для семантического поиска, сравнения текстов и кластеризации. Число параметров — около 305,2 млн, контекст — до 514 токенов; модель принимает текст и выдаёт векторные представления. Для обучения использовалась функция MultipleNegativesRankingLoss с косинусным сходством. Модель подходит для поиска семантически близких предложений, группировки текстов по смыслу и построения систем поиска по текстовым коллекциям. В названии указано Thai, однако доступные сведения не подтверждают отдельно поддерживаемые языки или их приоритет. Репозиторий содержит веса safetensors; лицензия в предоставленных данных не указана.

mitra-mir/setfit_model_Calgary_epochs2 — модель на базе MPNet, разработанная для преобразования предложений и абзацев в плотные векторы размерностью 768. Она подходит для семантического поиска, сравнения сходства текстов и кластеризации. Модель имеет 136,7 млн параметров, принимает текст и выдаёт векторные представления; максимальная длина контекста составляет 514 токенов. Обучение проводилось с функцией потерь CosineSimilarityLoss. Модель можно использовать в приложениях на Sentence-Transformers для поиска похожих фрагментов и группировки текстов. В карточке не приведены сведения о языковой специализации и лицензии.

SimCSE-RetroMAE-Small — компактная модель семантических эмбеддингов, разработанная Seznam.cz и дообученная на основе Seznam/retromae-small-cs с objective SimCSE. Она предназначена для оценки смыслового сходства предложений и может применяться в поиске похожих текстов, семантическом поиске, извлечении документов, кластеризации и классификации. Модель построена на архитектуре BERT, содержит 27,2 млн параметров и обрабатывает входной текст с контекстом до 512 токенов. Основной язык — чешский. Репозиторий содержит веса PyTorch; лицензия — CC BY 4.0.

uukuguy/speechless-mistral-six-in-one-7b — объединённая модель на основе шести дообученных моделей Mistral-7B, опубликованная пользователем uukuguy. Это плотный авторегрессионный трансформер Mistral с 7,1 млрд параметров и контекстом до 32 768 токенов; модель предназначена для генерации текста в диалогах, ответов на вопросы, рассуждений и помощи с кодом. В карточке перечислены исходные модели Dolphin, OpenOrca, Platypus, Samantha, CollectiveCognition и Zephyr; заявлены результаты на нескольких бенчмарках, но часть таблиц неполная, поэтому они не дают полной оценки качества. Модель принимает текст и генерирует текст. В метаданных указан английский язык и возможность работы с кодом. Репозиторий содержит веса safetensors, а лицензия обозначена как Llama 2. Модель унаследовала заявленное в карточке базовой Mistral-7B отсутствие механизмов модерации; сгенерированные ответы могут быть ошибочными или нежелательными.

Карточка модели ITESM/st_demo_2 на Hugging Face совпадает с карточкой valurank/MiniLM-L6-Keyword-Extraction, поэтому описание составлено по ней. valurank/MiniLM-L6-Keyword-Extraction — англоязычная модель для получения векторных представлений предложений и коротких абзацев. Это Sentence-Transformers-модель на архитектуре BERT с 25,9 млн параметров, создающая плотные эмбеддинги размерности 384. В README описано дообучение контрастивным методом на более чем миллиарде пар предложений на основе nreimers/MiniLM-L6-H384-uncased; метаданные указывают формат PyTorch и контекст до 512 токенов. Модель предназначена для семантического поиска, сравнения сходства текстов и кластеризации. Эмбеддинги можно использовать для ранжирования кандидатов по близости векторных представлений, в том числе при извлечении ключевых слов из текста. По умолчанию тексты длиннее 256 WordPiece-токенов обрезаются. README не приводит отдельную лицензию, а метаданные обозначают её как other, поэтому условия использования следует сверить с карточкой репозитория. Модель обучалась преимущественно на англоязычных данных; качество для других языков не подтверждено.

NovaSearch/stella_en_400M_v5 — англоязычная модель эмбеддингов, обученная разработчиками Stella на основе Alibaba-NLP/gte-large-en-v1.5 и Alibaba-NLP/gte-Qwen2-1.5B-instruct. Она предназначена для преобразования текстов в векторы и оценки семантического сходства, включая поиск релевантных фрагментов по запросу. Модель содержит 433,9 млн параметров, поддерживает контекст до 8192 токенов и использует архитектуру SentenceTransformer на PyTorch; для большинства задач предусмотрены промпты s2p для поиска и s2s для сравнения текстов. Обучение с Matryoshka Representation Learning позволяет получать эмбеддинги размером 512, 768, 1024, 2048, 4096, 6144 или 8192 измерения; авторы считают 1024 измерения достаточными для большинства задач. Модель можно применять для семантического поиска, поиска по запросу релевантных фрагментов и измерения сходства предложений. Хотя метаданные указывают контекст 8192 токена, README рекомендует длину последовательности 512: по наблюдениям авторов, на специализированных задачах поиска по длинным текстам модель работает хуже. Лицензия — MIT.

Swarm Scout 12B — мультимодальная модель для программирования и агентных технических задач, созданная LiamVisionary на основе объединения Gemma 4 12B Instruct и производной модели с настройкой для агентных сценариев. Модель рассчитана на помощь с написанием и отладкой кода, работой в терминале, использованием инструментов и многошаговым рассуждением. Поддерживает диалог и обработку изображений; вариант на Hugging Face распространяется в формате safetensors и использует архитектуру Gemma4UnifiedForConditionalGeneration. Для работы требуется свежая версия библиотеки Transformers с поддержкой Gemma 4 unified. Модель ориентирована прежде всего на англоязычные сценарии. Для распознавания изображений есть подтверждённый пример анализа чека; поддержку аудио и видео унаследованная конфигурация описывает, однако качество этих режимов для данного выпуска отдельно не проверяли. Низкий уровень отказов является намеренной особенностью, поэтому для практического развёртывания нужны прикладные ограничения и защита от злоупотреблений; общие знания следует перепроверять. Модель распространяется по лицензии Apache 2.0 без гарантии качества.

TripleTrouble-V3 — объединённая разреженная языковая модель семейства Qwen3.5 MoE, созданная OliviaRossi на основе KAT-Coder-V2.5-Dev, Ornith-1.5-35B-A3B и Qwen-AgentWorld-35B-A3B. Она предназначена для генерации текста и диалога, программирования, вызова инструментов и агентных сценариев, включая планирование действий и моделирование переходов состояния среды. Архитектура модели — MoE; в репозитории указаны веса SafeTensors, 2,9 млрд параметров в метаданных и контекст до 262 144 токенов. Карточка описывает объединение специализированных чекпойнтов методами согласования весов и калибровки маршрутизатора экспертов. Заявлены навыки работы с кодовыми базами, структурированным JSON, многошаговыми вызовами API и состояниями сред. Метаданные указывают поддержку английского и китайского языков, а также интерфейс для вызова инструментов. Лицензия — Apache-2.0. Размер в README (34,7 млрд параметров всего и около 3,3 млрд активных на токен) расходится с метаданными, где указано 2,9 млрд параметров; поэтому размер следует считать неоднозначным. Заявления карточки о качестве и скорости не сопровождаются приведёнными результатами оценки. Это текстовая модель: сведения не подтверждают обработку изображений, аудио или видео.

Карточка модели swardiantara/two-stage-cdk10-MiniLM-L6-v2 на Hugging Face совпадает с карточкой swardiantara/two-stage-k10-MiniLM-L6-v2, поэтому описание составлено по ней. swardiantara/two-stage-k10-MiniLM-L6-v2 — модель Sentence-Transformers на архитектуре BERT, преобразующая предложения и абзацы в плотные векторы размерности 384. Её можно применять для семантического поиска и кластеризации текстов, а также сравнивать смысловую близость предложений. Модель содержит 25,9 млн параметров и принимает последовательности длиной до 512 токенов. Модель обучалась с ContrastiveLoss, использующей косинусное расстояние. В карточке не указаны языки обучения и оценки качества, поэтому нельзя подтвердить её пригодность для конкретного языка или домена. Файлы представлены в формате safetensors; лицензия в предоставленных данных не указана.

Unlimited-OCR BF16 MLX — конвертированная для MLX версия модели Baidu Unlimited-OCR, опубликованная emee-ai. Она предназначена для распознавания текста и разбора документов по изображениям; пример в карточке показывает обработку изображения с запросом на разбор документа. Модель использует архитектуру DeepSeekOCR с компонентами SAM, CLIP-L и DeepSeekV2 OCR; объём параметров — 559,7 млн, контекст — до 32 768 токенов. Репозиторий содержит веса в формате safetensors, размещённые в MLX-layout, и использует реализацию deepseekocr из mlx-vlm. Модель принимает изображение и текстовый запрос, выдаёт текст. В метаданных указан мультиязычный режим, но конкретные языки не перечислены. Лицензия — MIT.

Whisper large-v3 — мультиязычная модель распознавания речи на основе Transformer encoder-decoder, разработанная OpenAI. Она предназначена для транскрибирования аудио на исходном языке и перевода речи в текст на другом языке, включая перевод на английский. Модель содержит 905,2 млн параметров; по сравнению с предыдущими версиями использует спектрограммы с 128 Mel-частотными полосами и включает отдельный токен для кантонского языка. Модель обучалась на слабой разметке и псевдоразмеченных аудиоданных и рассчитана на работу с разными языками, акцентами, шумом и предметными областями. При обработке длинных записей требуется последовательная или сегментированная обработка: рецептивное поле модели составляет 30 секунд. Лицензия — Apache-2.0. Возможны ошибки транскрибации и генерация текста, отсутствующего в аудио; качество неодинаково для разных языков, акцентов и диалектов и ниже для языков с малым объёмом обучающих данных. Архитектура также может порождать повторяющийся текст.

ZeryEasyCoder-27B — текстовая генеративная модель на архитектуре Qwen, созданная zagy1234. В карточке она описана как гибридная merge-модель для программирования, рассуждений и технических задач; метаданные указывают дообучение на Altworld/Hemmingway-1, а README сообщает о слиянии Hemmingway-1 и NEO-CODER MAX через mergekit. В репозитории представлены веса bfloat16 в формате Safetensors для Hugging Face Transformers; метаданные указывают 22,3 млрд параметров и контекст до 262 144 токенов. Модель предназначена для генерации и объяснения кода, написания скриптов и помощи с Linux и системным администрированием, а также для технического диалога. README заявляет поддержку Python, C++, Bash/Fish и C# и отсутствие ограничений на технические темы. Эти заявления не сопровождаются результатами оценки качества. Лицензия — Apache-2.0.

ZYR3 v1 — модель-ассистент для агентного программирования, разработанная автором или командой zyr-AGENT. Она реализована как LoRA-адаптер для Qwen/Qwen2.5-Coder-7B-Instruct и предназначена для самостоятельного развёртывания на пользовательском оборудовании; размещённого API модели не предоставляется. Модель ориентирована на генерацию, объяснение и редактирование кода, отладку, поиск ошибок, рефакторинг, обработку граничных случаев и итеративное решение многошаговых задач. В комплекте предусмотрен агентный режим Planner + Coder: планировщик разбивает задачу на последовательные этапы, а кодировщик реализует их с учётом уже созданных файлов. Поддерживается интеграция с инструментами и клиентами через OpenAI-совместимый API после самостоятельного развёртывания. Архитектурно это адаптер для 7-миллиардной текстовой модели Qwen2.5-Coder-Instruct. Модель работает с текстом и кодом; конкретный набор языков программирования и размер контекстного окна в README не указаны. Для работы требуется базовая модель объёмом около 15 ГБ в формате fp16 и адаптер размером около 80 МБ. Возможны запуск через Transformers и PEFT, 4-битная загрузка, а также объединение и конвертация в GGUF для Ollama или llama.cpp. Рекомендуется NVIDIA GPU; запуск на CPU возможен для квантованных вариантов, но будет медленным. Модель удобна для локальной разработки и подключения к coding-agent инструментам, однако качество и скорость зависят от базовой модели, доступных ресурсов и выбранного способа квантования. Лицензия указана как zyr3-free-use-1.0; подробные условия приведены в файле LICENSE по ссылке, указанной в README.